Norges utvikling og tilrettelegging av karbonfangst- og lagring (CCS). En komparativ casestudie av CCS utviklingen mellom Norge og Canada
Bibliographic record
Abstract
Sammendrag \n\nI denne masteroppgaven har jeg undersøkt forholdene for CCS utvikling i Norge og på hvilken måte Norge kan ta lærdom av CCS utviklingen i Canada. Oppgaven belyser de økonomiske, teknologiske og regulatoriske rammene som affiserer CCS utviklingen i Norge. Canada er et foregangsland jamfør CCS industri og utvikling. De har vært først ute med å bygge verdens første kommersielle karbonfangst anlegg i 2015 og verdens største karbonfangst, utnyttelse og lagrings prosjekt (CCUS) med prosjektet Alberta Carbon Trunk Line (ACT) i 2020, lokalisert i prærie provinsen Alberta. I 2007, holdt Statsministeren Jens Stoltenberg den omdiskuterte månelandingstalen. Full av optimisme og pågangsmot skulle Norge innen syv år være et pionerland innenfor rensing av CO2 på gasskraftverket på Mongstad, utenfor Bergen. Ved starten av 2024, og 17 år senere har vi fortsatt ikke et kommersielt CCS anlegg i drift på norsk jord. Nå ser vi en økende trend der Norge og flere europeiske land begynner å fremheve CCS teknologien som et avgjørende tiltak for å nå «netto null 2050». Hvorfor har ikke dette skjedd tidligere? \nForskningsdesignet for oppgaven er en kvalitativ case studie som sammenligner de ulike økonomiske, teknologiske og regulatoriske virkemidlene hvert av landene har benyttet for å inkorporere CCS i det sosiotekniske regimet. Metodedel er basert på kvalitative intervjuer og dokumentanalyse. Empiriske data er samlet inn gjennom intervjuer med seks fagpersoner som har jobbet eller jobber aktivt med forskning, tilrettelegging og utvikling av CCS i Norge og Canada. Med utgangspunkt i empirien fra informantene og datainnsamlingen, fokuserer jeg på de aspektene som har blitt fremhevet som de mest sentrale for hvorfor Norge ikke har kommet lenger enn det vi har per nå. Jeg ser også på hvilken lærdom vi kan dra nytte av ved å se på fremgangsmåten til Canada. Oppgaven benytter et teoretisk rammeverk der teoriene Multi Level Perspective og sosial aksept blir integrert for å underbygge empiriske funn gjennom oppgaven. Funnene som presenteres i oppgaven peker på byråkratisk ineffektivitet, risikoaverse holdninger og mangelen på støtteordninger, spesielt insentiv ordninger som sentrale faktorer. Canada sin politisk økonomiske modell viser til å være mer effektiv og tilpasningsdyktig når det gjelder å håndtere CCS, gjennom å tilrettelegge og inkorporere teknologien i det sosiotekniske regimet.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.011 | 0.003 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.086 | 0.014 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".